Katru dienu vismodernākās mākslīgā intelekta sistēmas kļūst gudrākas un gudrākas, iegūstot jaunas zināšanas un prasmes. AI jau daudzās jomās spēj būt labāks par cilvēkiem. Bet aiz visa šī "pārākuma" ir tikai koda līnijas un precīzi definēti algoritmi, kas neļauj programmai būt "brīvai savās domās". Citiem vārdiem sakot, mašīna nevar darīt to, kas tajā nav iebūvēts. AI var izdarīt loģiskus secinājumus, bet nezina, kā argumentēt doto tēmu. Un izskatās, ka tas drīz mainīsies.
Kā cilvēki uzzina apkārtējo pasauli
Mēs, tāpat kā visi inteliģenti organismi, pakāpeniski uzzinām par apkārtējās pasaules struktūru. Iedomājieties, ka vienu gadu vecs bērniņš redz, kā rotaļlietu kravas automašīna izvelk platformu un karājas gaisā. Tas viņam nebūs nekas neparasts. Bet veiciet to pašu eksperimentu tikai divus vai trīs mēnešus vēlāk, un mazais cilvēks uzreiz sapratīs, ka kaut kas nav kārtībā. Galu galā viņš jau zina, kā darbojas gravitācija.
Un tikpat vienkārša, kā izklausās, šī pieeja var palīdzēt AI izstrādātājiem izveidot modernākas mākslīgā intelekta versijas.
Reklāmas video:
Kāpēc ir tik grūti iemācīt AI pamatot?
Dziļa mašīnmācīšanās (tas ir, rupji runājot, noteiktu prasmju apgūšana, izmantojot izmēģinājumu un kļūdu) mūsdienās ļauj AI sasniegt milzīgus panākumus. Bet vissvarīgākais joprojām ir nespēja veikt mākslīgo intelektu. Viņš nevar pamatot un izdarīt secinājumus, pamatojoties uz objektīvās realitātes, kurā viņš pastāv, analīzi. Citiem vārdiem sakot, mašīnas īsti neizprot apkārtējo pasauli, kas padara viņus nespējīgus ar to mijiedarboties.
Viens no AI uzlabošanas veidiem var būt sava veida “dalītā atmiņa”, kas palīdzēs mašīnām saņemt informāciju par apkārtējo pasauli un pakāpeniski to izpētīt. Bet tas neatrisina visas problēmas.
Kā iemācīt AI pamatot
Pēc profesora Lecuna domām, atbilde slēpjas nepietiekami novērtētā dziļo mācību apakškategorijā, kas pazīstama kā neuzraudzīta mācīšanās. Kad algoritmi, kuru pamatā ir uzraudzīta un pastiprināta mācīšanās, māca AI sasniegt mērķi ar ārējās ievades palīdzību, nepieskatīti paši izstrādā uzvedības modeļus. Vienkārši sakot, ir 2 veidi, kā iemācīt robotam staigāt: pirmais ir ievadīt sistēmā visus parametrus, pamatojoties uz robota struktūru. Otrais ir "izskaidrot" staigāšanas principus un likt robotam iemācīties patstāvīgi. Turklāt lielākā daļa esošo algoritmu darbojas precīzi pa pirmo ceļu. Jangs Lečūns uzskata, ka uzsvars jāliek uz otro ceļu.
Vladimirs Kuzņecovs